ما مدى دقة تطبيقات السعرات بالذكاء الاصطناعي؟ كل الدراسات المنشورة، 2023–2026

Callie هو تطبيقنا. يظهر هنا مرة واحدة فقط، في اختبارنا الخاص على 20 وجبة، في الصف الأخير من الجدول. وكل رقم آخر مرتبط بمصدره، وقد راجعناه في 20 أكتوبر 2026.

الإجابة في 30 ثانية

تخطئ تقديرات الذكاء الاصطناعي للسعرات من الصور عادةً بنسبة 14% إلى 36%، وتميل إلى التقليل. ومن الصورة وحدها تقترب الأخطاء من الحد الأعلى لهذا النطاق. وجد باحثو NIH أن أربعة تطبيقات شائعة قلّلت تقدير وجبات موزونة بمقدار 252 إلى 345 سعرة، أي نحو الثلث ‏(2026)، وأخطأت روبوتات المحادثة بنسبة 30.5% إلى 35.8% في دراسات 2025. وتتحسن الدقة كثيرًا حين يصحّح الشخص المكونات والحصص: إعطاء ChatGPT-5 قائمة المكونات خفّض خطأه إلى 13.9%.

كل الدراسات في نظرة واحدة

كل الدراسات التي وجدناها عن تقدير السعرات بالذكاء الاصطناعي من صور الطعام، مجمّعة حسب النوع: اختبارات التطبيقات والنماذج، ثم المراجعات، ثم دراسات التعرّف، ثم ادعاءات الشركات واختبارنا الخاص. الأخطاء تخص السعرات ما لم يُذكر غير ذلك.

دراسة تلو الأخرى

يعرض كل قسم منهجية دراسة واحدة، ورقمها الأهم، وأبرز تحفظ عليها.

اختبار NIH/NIDDK للتطبيقات (NUTRITION 2026)

قلّلت أربعة تطبيقات صور شائعة تقدير وجبات موزونة بمقدار 252 إلى 345 سعرة لكل منها، أي نحو الثلث. وهو الاختبار الوحيد لتطبيقات تجارية مقابل مطبخ أيضي، حيث توزن المكونات بدقة 0.1 غ.

مرّر باحثو NIDDK صور 102 وجبة عبر MyFitnessPal وLose It! وCal AI وAppediet. جاءت الدهون أقل بنحو 30 غ لكل وجبة، وكانت الكربوهيدرات أكثر المغذيات الكبرى ثباتًا. ونشر Healio المتوسطات لكل تطبيق: Appediet أقل بمقدار 252 سعرة، وMyFitnessPal بمقدار 327، وLose It! بمقدار 333، وCal AI بمقدار 345. وفي متابعة على أكثر من 200 وجبة إضافية، كانت نتائج وجبات الكيتو أسوأ.

سُجّلت الصور دون أي تصحيح. وقال Aaron Hengist، الباحث في مرحلة ما بعد الدكتوراه في NIDDK، في البيان الصحفي: «على من يستخدمون تطبيق تتبع بالصور دون تعديل الحصص أو إدخال كميات الطعام أن يتعاملوا مع النتائج بحذر.» وكتبت Leigh A. Frame، الحاصلة على الدكتوراه من George Washington University، في تعليقها على Healio أن «هذه الأدوات يُنظر إليها على الأرجح كوسائل مساعدة لتغيير السلوك، لا كأدوات تغذية دقيقة».

هذا ملخص مؤتمر لم يخضع بعد لمراجعة الأقران. ويشرح تحليلنا لدراسة NIH المنهجية.

Li، ‏802 وجبة في تجربة تغذية (دراسة أولية 2026)

على 802 وجبة موزونة، كانت ثلاثة نماذج من ستة دقيقة في المتوسط، لكن لم يكن أي منها موثوقًا وجبةً بوجبة. وهي أكبر عينة هنا، دراسة أولية نُشرت في 19 أكتوبر 2026.

اختبرت الدراسة الأولية نماذج من Claude وGPT مقابل الكميات المأكولة الموزونة في تجربة تغذية مضبوطة. وعلى مدى 148 يوم تغذية، أبقت ثلاثة نماذج فاصل الثقة 90% لمتوسط خطئها ضمن هامش 10%. ولم يبلغ أي نموذج الحد المحدد مسبقًا البالغ 30% للوجبات الفردية. وقلّلت كل النماذج تقدير البروتين، خاصة في الوجبات الغنية به.

خلاصة هذه الدراسة تنطبق على كل دراسة في الجدول: انخفاض متوسط الخطأ لا يثبت دقة التقدير لكل وجبة على حدة.

Isobe وآخرون، وجبات مستشفى مقابل أخصائيي تغذية (2026)

في الطاقة، جاءت أفضل نماذج الذكاء الاصطناعي بمستوى أخصائيي التغذية المعتمدين على 15 وجبة مستشفى موزونة. وكانت الدهون الاستثناء: بالغت كل النماذج في تقديرها.

صوّرت هذه الدراسة المنشورة في Nutrients خمس عشرة وجبة مستشفى موحّدة تحت إضاءة ثابتة. وقدّر كل وجبة عشرة أخصائيي تغذية معتمدين وعشرة نماذج ذكاء اصطناعي، منها GPT-4o وGemini 1.5 Pro. وفي الطاقة والكربوهيدرات، بلغت أفضل النماذج معاملات ارتباط أعلى من 0.8، وكثيرًا ما جاءت ضمن 10% من القيم الموزونة.

كان البروتين والدهون أسوأ: بالغت كل نماذج الذكاء الاصطناعي في تقدير الدهون، بتحيّز متوسط يزيد على 20%. وهذا عكس نتيجة NIH: اتجاه خطأ الدهون يعتمد على الطعام. ويدعو المؤلفون إلى مراجعة بشرية «human-in-the-loop» وإلى أدوات تأخذ تفاصيل الطهي في الحسبان.

Rodríguez-Jiménez وآخرون، ChatGPT-5 مع سياق أكثر (2025)

أخطأ ChatGPT-5 بنسبة 30.5% من الصورة وحدها، وبنسبة 13.9% حين حصل أيضًا على قائمة المكونات. وهذا الانخفاض أوضح دليل على أن تصحيح تقدير الذكاء الاصطناعي مجدٍ.

مرّرت الورقة المنشورة في Nutrients 195 طبقًا عبر ChatGPT-5 بأربع طرق. بلغ خطأ الطاقة 30.5% (نحو 123 سعرة لكل طبق) من الصورة وحدها، و24.4% مع وصف قصير، و13.9% (نحو 53 سعرة) مع الصورة والمكونات وكمياتها، و18.1% مع المكونات دون الصورة. ساعدت الصورة، وساعدت التفاصيل المكتوبة أكثر.

هكذا تعمل شاشة المراجعة. يعرض Callie كل تقدير من صورة ولا يحفظ شيئًا حتى تؤكد، فتستطيع إضافة الزيت أو تصحيح الحصة أولًا. لم تختبر الدراسة Callie. لقد اختبرت التصحيح عمومًا، والتصحيح هو ما حرّك الرقم.

Fridolfsson وآخرون، GPT-4o وClaude وGemini ‏(2025)

أخطأ كل من GPT-4o وClaude 3.5 Sonnet بنسبة 35.8% في سعرات 52 صورة طعام، وأخطأ Gemini 1.5 Pro بنسبة 64.2%. وزاد تقليل النماذج الثلاثة كلما كبرت الحصص.

قارنت الدراسة المنشورة في Current Developments in Nutrition كل نموذج بقيم مرجعية موزونة لأطعمة منفردة ووجبات كاملة بثلاثة أحجام للحصة. وتراوحت أخطاء البروتين بين 60.7% و109.9%.

وجد المؤلفون GPT-4o وClaude مماثلين لطرق تقييم الغذاء التقليدية القائمة على الإبلاغ الذاتي، دون الجهد المطلوب من المستخدم. ومع ذلك جاء حكمهم حذرًا: هذه النماذج اللغوية العامة «ليست مناسبة بعد للتقييم الغذائي الدقيق لدى الفئات السريرية أو الرياضية حيث يكون القياس الدقيق حاسمًا». راجع هل يستطيع ChatGPT حساب السعرات لاستخدام روبوت المحادثة عمليًا.

بحث ماجستير في Kennesaw State ‏(2025)

سجّل GPT Vision أقل خطأ في السعرات بين ثلاثة نماذج، بنسبة 13.83%. وهو مشروع طلابي عُرض في معرض جامعي، ولم يخضع لمراجعة الأقران.

قارن El Arbi Belfarsi وHenry Ekeocha بين GPT Vision وClaude وGemini على مجموعتي بيانات عامتين: MenuMatch التي صنّفها أخصائي تغذية، وCGMacros المبنية من إدخالات مستخدمي MyFitnessPal. وكانت أخطاء Gemini في المغذيات الكبرى الأكثر توازنًا: البروتين 12.55%، والكربوهيدرات 19.57%، والدهون 17.07%.

اقرأ نسبة 13.83% بحذر: كان المرجع بيانات مسجّلة لا طعامًا موزونًا، أي أن النموذج قُيّم مقابل تقدير آخر.

ملصق Cureus، ثلاثة نماذج حديثة (2026)

على 20 وجبة موزونة، قدّمت GPT-5.2 وGemini 3 Flash وClaude Sonnet 4.6 متوسطات معقولة لكن مع أخطاء كبيرة في الوجبات الفردية. إنه ملصق علمي، والعينة صغيرة.

وزن الملصق الوجبات على ميزان مطبخ رقمي معتمد، وصوّر كل وجبة بزاويتي 45 و90 درجة مع قطعة نقدية أمريكية من فئة 25 سنتًا للمقياس. ويذكر الملخص تقديرات متوسطة معقولة للمغذيات واتساقًا داخليًا مرتفعًا نسبيًا، لكن مع أخطاء كبيرة على مستوى الوجبة. لم نتمكن من تأكيد رقم خطأ واحد، لذلك لا نذكر رقمًا.

مراجعتان منهجيتان (2023 و2025)

وجدت مراجعة من 2023 شملت 52 دراسة متوسط أخطاء في السعرات بين 0.10% و38.3%، مع ذكاء اصطناعي يضاهي المقدّرين البشر أو يتفوق عليهم. وكانت الأخطاء أقل في الأطعمة البسيطة المنفردة.

فحص Shonkoff وآخرون في Annals of Medicine ‏14,059 ورقة واحتفظوا بـ 52 منها بين 2010 و2023. جاءت القيم المرجعية في الغالب من جداول المغذيات (51%) أو من طعام موزون (27%). كانت الدراسات متباينة جدًا بحيث تعذّر دمجها، لكن المؤلفين خلصوا إلى أن طرق الذكاء الاصطناعي تضاهي دقة المقدّرين البشر وقد تتجاوزها.

ووجدت مراجعة من 2025 في British Journal of Nutrition أعدّها Cofre وزملاؤه 13 دراسة مؤهلة. أفادت ست منها بمعاملات ارتباط أعلى من 0.7 بين الذكاء الاصطناعي والطرق التقليدية في السعرات، وكان لدى 61.5% منها خطر تحيّز متوسط. ومعظم ما في المراجعتين سابق لروبوتات المحادثة الحالية.

التعرّف على أطعمة الشرق الأوسط (2022 و2025)

الأبحاث عن أطعمة الشرق الأوسط قليلة: بلغت رسالة جامعية من 2025 دقة تعرّف 78.66% على 174 طبقًا لبنانيًا وإقليميًا. لا تقيس أي من الدراستين السعرات، لكن على التطبيق أن يتعرّف على الطبق قبل أن يحسبه.

بنت رسالة ماجستير في الجامعة الأمريكية في بيروت أعدّتها Sumayah Hariri عام 2025 مجموعة من 174 فئة لأطباق لبنانية وإقليمية من 7,067 صورة حقيقية، وبلغت دقة 78.66%. وبلغت ورقة سابقة لـ Aktı وQaraqe وEkenel دقة 94% على 23 فئة من أطعمة الشرق الأوسط، وأشارت إلى أن هذا المطبخ «ظل غير مستكشف» في أبحاث التعرّف على الطعام.

وتظهر الفجوة في المنتجات أيضًا. ففي 2023 أقرّ المؤسس المشارك لـ SnapCalorie لـ TechCrunch بأن خوارزميته قد تكون منحازة إلى الطعام الأمريكي. إن كنت تطبخ أطباقًا عربية أو من جنوب آسيا، فتوقّع تصحيحات أكثر؛ راجع تتبّع الطعام الهندي.

ادعاءات SnapCalorie ‏(الشركة)

تقول SnapCalorie إن خطأها أقل من 20% وإنها أدق مرتين من أخصائيي التغذية. والادعاءان كلاهما من الشركة، دون اختبار منشور يدعمهما.

قال المؤسس المشارك Wade Norris لـ TechCrunch في يونيو 2023: «في المتوسط، يتمكن الفريق من خفض خطأ السعرات إلى أقل من 20%.» وذكرت TechCrunch أن النموذج دُرّب على 5,000 وجبة صُوّرت بجهاز روبوتي مع وزن كل مكوّن. وتقول الصفحة الرئيسية لـ SnapCalorie إن التطبيق «أدق مرتين من أخصائيي التغذية»، وتحيل إلى أبحاث Nutrition5k من Google لعام 2021، دون أن توضح كيف قيست هذه «المرتان».

قد تكون الأرقام صحيحة، لكن إلى أن يختبر فريق مستقل التطبيق، تعامل معها كأي ادعاء من شركة، بما في ذلك ادعاءاتنا. راجع Callie مقابل SnapCalorie.

اختبارنا الخاص على 20 وجبة (مايو 2026)

في اختبارنا الخاص، بلغ متوسط خطأ Callie نسبة 13% وCal AI نسبة 17%. نحن من يطوّر Callie، لذا فالاختبار غير مستقل، ومكانه أسفل الجدول.

في مايو 2026 وزنّا 20 وجبة على ميزان مطبخ بدقة 0.1 غ، وصوّرنا كل وجبة مع شوكة في الإطار، وسجّلناها مرة واحدة في كل تطبيق، وقارنّا النتيجة بقيم USDA FoodData Central. كانت الأطباق متعددة الطبقات مثل اللازانيا والبرياني الأصعب على التطبيقين، بنسبة 22% لـ Callie و26% لـ Cal AI. المنهجية والنتائج في صفحة المقارنة لدينا.

تحفّظان. عشرون وجبة عينة صغيرة. وقد ارتبط Cal AI منذ ذلك الحين بقاعدة بيانات الأطعمة في MyFitnessPal، وهذا ربما قلّص الفارق؛ ولم نُعد الاختبار الكامل.

ما تتفق عليه الدراسات

تتفق الدراسات على أن تقديرات الذكاء الاصطناعي تميل إلى التقليل، وأن الدهون والحصص الكبيرة والأطباق المختلطة تفسّر معظم الخطأ. ويتكرر النمط في الجدول كله.

• التقليل. جاءت التطبيقات الأربعة في اختبار NIH أقل من الحقيقة، وكذلك روبوتات المحادثة الثلاثة في دراسة Fridolfsson. الأخطاء العشوائية تتعادل على مدى أسبوع. أما هذه فلا.
• الدهون والزيوت. جاءت الدهون أقل بنحو 30 غ لكل وجبة في اختبار NIH. الزيت الذي يمتصه الطعام لا يترك أثرًا مرئيًا. ودراسة وجبات المستشفى لعام 2026 هي الاستثناء، إذ بالغت في الدهون بأكثر من 20%.
• الحصص الكبيرة. في دراسة روبوتات المحادثة لعام 2025، زاد التقليل مع حجم الحصة (ميل التحيّز من ‎-0.23 إلى ‎-0.50).
• الأطباق المختلطة. وجدت مراجعة 2023 أخطاء أقل في الأطعمة البسيطة المنفردة. وكانت الأطباق متعددة الطبقات الفئة الأصعب في اختبارنا الخاص.
• وجبات الكيتو. وجدت متابعة NIH على أكثر من 200 وجبة أن أداء التطبيقات كان أسوأ مع وجبات الكيتو الغنية بالدهون، وهذا يتسق مع نمط الدهون.

ما لا تخبرك به الدراسات بعد

الأدلة أضعف مما توحي به العناوين: عينات صغيرة، وملخصات غير محكّمة، ونماذج تتغير كل بضعة أشهر. تعامل مع كل رقم كلقطة في لحظة معينة.

• عينات صغيرة. استخدمت معظم الدراسات من 15 إلى 195 وجبة. ولم تتجاوز 800 وجبة إلا الدراسة الأولية لعام 2026.
• ملخصات ودراسات أولية. لم يمر اختبار NIH ولا دراسة الـ 802 وجبة ولا مشروع Kennesaw ولا ملصق Cureus بمراجعة الأقران في مجلة علمية.
• أهداف متحركة. اختبرت أوراق 2025 نماذج GPT-4o وClaude 3.5 Sonnet وGemini 1.5 Pro، وقد استُبدلت كلها. والتطبيقات تغيّر نماذجها دون إعلان، لذا قد لا يصف رقم من 2025 تطبيقك اليوم.
• المتوسطات تخفي الأخطاء. كما أظهرت دراسة الـ 802 وجبة، قد يكون النموذج قريبًا في المتوسط ومع ذلك يخطئ كثيرًا في وجبات بعينها.
• الاستخدام الفعلي. لا توجد بعد دراسة تقيس ما يسجّله الناس بعد تعديل التقدير في تطبيق تجاري.

كيف تقترب من الرقم الحقيقي

تشير الأبحاث إلى عادة واحدة قبل غيرها: راجع التقدير وصحّحه قبل أن تحفظه. فقد خفّضت التفاصيل المكتوبة خطأ ChatGPT-5 من 30.5% إلى 13.9%.

1. أضف الدهون بنفسك. سجّل زيت الطهي والزبدة والصلصة كعناصر مستقلة. ملعقة كبيرة من الزيت فيها نحو 120 سعرة، ولا تراها أي كاميرا. ويعرض دليلنا عن السعرات المخفية في الزيت والزبدة والصلصات أكثر المصادر شيوعًا، ويشرح مقال لماذا تقلّل تطبيقات السعرات بالذكاء الاصطناعي من التقدير كل سبب مع طريقة إصلاحه.
2. صحّح الحصة واترك الطعام. التعرّف على الطعام صحيح في الغالب. أما الكمية فهي ما ينحرف، خاصة في الأطباق الكبيرة.
3. صِف الأطباق المختلطة. في الكاري أو الأطباق المخبوزة، أضف المكونات الرئيسية وكمياتها، كما في حالة الـ 13.9%.
4. زِن الأطعمة الكثيفة فقط. يفيد الميزان أكثر مع الزيت وزبدة المكسرات والجبن والغرانولا والمعكرونة. راجع هل تحتاج إلى ميزان طعام مع تطبيق ذكاء اصطناعي.
5. راقب اتجاه وزنك. إن أظهر سجلك عجزًا ولم يتحرك الميزان منذ ثلاثة أسابيع، فالسجل على الأرجح أقل من الحقيقة.

متى يكون تطبيق بلا ذكاء اصطناعي الخيار الأفضل

إن كنت تزن كل شيء أصلًا، فمن المرجح أن يتفوق تطبيق قائم على قاعدة بيانات مثل Cronometer على أي تقدير من صورة. فالدراسات أعلاه تقيس تقديرات، والإدخال الموزون ليس تقديرًا.

تتيح النسخة المجانية من Cronometer التسجيل بالبحث في قاعدة البيانات ومسح الباركود، وتتابع قائمة طويلة من المغذيات، وتحصر التسجيل بالصور بالذكاء الاصطناعي في خطة Gold المدفوعة. ويناسب ذلك من يتبعون نظامًا غذائيًا طبيًا، والرياضيين الذين يحتاجون إلى بلوغ وزن محدد، وكل من يحب استخدام الميزان أصلًا. وتعرض قائمتنا لـ أفضل تطبيقات السعرات بلا ذكاء اصطناعي تطبيقات Cronometer وMyNetDiary وتطبيقين مفتوحي المصدر.

يكون التسجيل بالصور بالذكاء الاصطناعي أنسب حين تحدد السرعة ما إذا كنت ستسجّل أصلًا. فالتقدير المصحَّح الذي يخطئ بنسبة 14% أفضل من وجبة لم تسجّلها قط.

المصادر

1. بيان NIDDK / American Society for Nutrition عبر EurekAlert! ‏(25 يوليو 2026). "Photo-based calorie-tracking apps may underestimate energy in meals." https://www.eurekalert.org/news-releases/1136415
2. Healio ‏(4 أغسطس 2026). "AI photo-based calorie-tracking tools underestimate them by 33%"، مع تعليق من Leigh A. Frame, PhD. https://www.healio.com/news/primary-care/20260804/ai-photobased-calorietracking-tools-underestimate-them-by-33
3. Nutritional Outlook ‏(2026). "Study finds popular AI calorie tracking apps underestimate meal energy by about a third." https://www.nutritionaloutlook.com/view/study-finds-popular-ai-calorie-tracking-apps-underestimate-meal-energy-by-about-a-third
4. HealthDay ‏(27 يوليو 2026). "How Accurate Are Photo-Based Calorie Apps? 4 Are Put To The Test." https://www.healthday.com/health-news/nutrition/how-accurate-are-photo-based-calorie-apps-4-are-put-to-the-test
5. Li X ‏(19 أكتوبر 2026). "Small Average Error, Wide Individual Error: General-Purpose LLMs Estimating Energy Intake from Meal Photos in a Feeding Trial." دراسة أولية على arXiv رقم 2610.26538. https://arxiv.org/abs/2610.26538
6. Isobe T, Zhang LW, Murakami H, et al. ‏(2026). "Accuracy of AI-Based Nutrient Estimation from Standardized Hospital Meal Images: A Comparison with Registered Dietitians." Nutrients 18(6):966. https://doi.org/10.3390/nu18060966
7. Rodríguez-Jiménez M, Martín-del-Campo-Becerra GD, Sumalla-Cano S, Crespo-Álvarez J, Elio I ‏(19 نوفمبر 2025). "Image-Based Dietary Energy and Macronutrients Estimation with ChatGPT-5: Cross-Source Evaluation Across Escalating Context Scenarios." Nutrients 17(22):3613. https://pmc.ncbi.nlm.nih.gov/articles/PMC12655113/ و https://www.mdpi.com/2072-6643/17/22/3613
8. Fridolfsson J, Sjöberg E, Thiwång M, Pettersson S ‏(2025). "Performance Evaluation of 3 Large Language Models for Nutritional Content Estimation from Food Images." Current Developments in Nutrition 9(10):107556. https://pmc.ncbi.nlm.nih.gov/articles/PMC12513282/
9. Belfarsi EA, Ekeocha H ‏(15 أبريل 2025). "Assessing the Performance of Intelligent Agents in Visual Food Recognition Relative to Manual Data Entry." Kennesaw State University C-Day Computing Showcase. https://digitalcommons.kennesaw.edu/cday/Spring_2025/Masters_Research/10
10. ملصق Cureus. "Validity and Reliability of Photo-Based AI Estimates of Meal Calories and Macronutrients." https://www.cureus.com/posters/3217-validity-and-reliability-of-photo-based-ai-estimates-of-meal-calories-and-macronutrients
11. Cofre S, Sanchez C, Quezada-Figueroa G, López-Cortés XA ‏(2025). "Validity and accuracy of artificial intelligence-based dietary intake assessment methods: a systematic review." British Journal of Nutrition 133(9):1241–1253. https://pmc.ncbi.nlm.nih.gov/articles/PMC12229984/
12. Shonkoff E, Cara KC, Pei XA, et al. ‏(2023). "AI-based digital image dietary assessment methods compared to humans and ground truth: a systematic review." Annals of Medicine 55(2):2273497. https://pubmed.ncbi.nlm.nih.gov/38060823/
13. Hariri S ‏(2025). "Estimating Calories and Macronutrients from Lebanese Food Images Using Deep Learning–Based Classification and Single-View Portion Size Estimation." رسالة ماجستير، الجامعة الأمريكية في بيروت. https://scholarworks.aub.edu.lb/items/b4a5f886-4834-48a3-bdf1-31aeedde9ce3/full
14. Aktı Ş, Qaraqe M, Ekenel HK ‏(2022). "A Mobile Food Recognition System for Dietary Assessment." ورشة ICIAP 2021، arXiv رقم 2204.09432. https://www.arxiv.org/abs/2204.09432
15. TechCrunch ‏(26 يونيو 2023). "SnapCalorie taps AI to estimate the caloric content of food from photos." https://techcrunch.com/2023/06/26/snapcalorie-computer-vision-health-app-raises-3m/
16. الصفحة الرئيسية لـ SnapCalorie ‏(اطُّلع عليها في 20 أكتوبر 2026). https://www.snapcalorie.com/
17. اختبار Callie الداخلي على 20 وجبة موزونة ‏(مايو 2026). المنهجية على https://www.mycallie.app/en/compare/callie-vs-cal-ai